ElevenLabs создает голосовой уровень ИИ — модели, которые превращают текст в звучащую по-человечески речь. Большинство людей сталкиваются с этим, когда общаются со службой поддержки, зачастую даже не подозревая об этом. Например, Klarna использует эту технологию для телефонной поддержки первой линии для 35 миллионов клиентов в США. То же самое делают Deutsche Telekom, Cisco, Adobe и все большее число государственных структур. ElevenLabs также продает свои решения создателям контента, которые используют ее платформу для аудиокниг, дубляжа и музыки.
Компания не единственна в своей нише. Фактически она все чаще сталкивается с клиентами, превратившимися в конкурентов, такими как Decagon — платформа разговорного ИИ, которая обучила свой голосовой продукт на ElevenLabs, а теперь конкурирует с ней. Но инвесторы, похоже, не слишком обеспокоены. По сообщениям, компания, чья годовая регулярная выручка оценивается в $600 миллионов, теперь оценивается своими бенефициарами в $22 billion, несмотря на то, что ей всего четыре года.
Чтобы узнать больше, я взял интервью у сооснователя и генерального директора ElevenLabs Мати Станишевского на конференции Nrth в Торонто, местной предпринимательской конференции, ранее известной как Elevate. За короткое время мы затронули множество тем, в том числе должны ли компании сообщать клиентам, когда они разговаривают с ИИ (он считает, что должны), и можно ли обсудить валовую маржу компании. Неудивительно, что Станишевский заявил, что не может обсуждать это в каких-либо деталях, но четко дал понять, что он не против ее дальнейшего снижения, если это приведет к расширению доли компании на рынке.
Ниже приводится наша беседа, сокращенная и слегка отредактированная. Полную версию беседы вы можете посмотреть здесь here.
Вы выступали у нас на TechCrunch Disrupt в прошлом году и сказали, что аудимодели будут коммодитизированы в течение пары лет. Как бы вы оценили этот прогноз сейчас?
Еще многое предстоит сделать, и качественный разрыв, которого можно достичь на уровне самой модели, все еще значителен. Если смотреть в долгосрочной перспективе, вероятно, через три-пять лет эти различия станут меньше. Что мы хотели бы сделать и стать первыми, кто это сделает, — так это пройти тест Тьюринга для разговорного ИИ. Вам нужно объединить интеллект, но вам также нужен эмоциональный интеллект. Вам нужно понимать эмоции собеседника, уметь замедлиться или заговорить громче. Этого пока еще никто не сделал.
Какова доля корпоративного сегмента в бизнесе сейчас?
Наша годовая регулярная выручка (ARR) сейчас составляет $600 миллионов. Более 55% — это классический корпоративный сегмент, а значительная доля из [оставшихся] 45% приходится на малый и средний бизнес, разработчиков, создателей.
Как и все в сфере ИИ, вы все больше конкурируете со своими клиентами. Decagon обучила свой голосовой продукт на вас, а теперь обрабатывает запросы через собственные модели.
Границы становятся все более размытыми. Если раньше у модельных, платформенных и прикладных компаний были очень четкие границы, где одна начинается и заканчивается, то сегодня эта грань гораздо менее заметна. В случае Anthropic то, что было модельной компанией, определенно стало платформой и все больше превращается в широкий набор приложений. Я думаю, эта тенденция продолжится.
Ваши клиенты могут выбрать «слой рассуждений» из меню опций в ElevenLabs. Что вы наблюдаете в плане использования моделей передовых лабораторий по сравнению с моделями с открытыми весами?
Это в меньшей степени выбор «или-или». В сфере клиентского опыта, если вы звоните и это носит чисто информационный характер, вы не выполняете никаких действий — вы можете использовать множество моделей с открытым исходным кодом, поскольку ваша база знаний определяет, что такое хороший опыт. Но если это финансовые услуги, вам нужна аутентификация, вам нужна информация о транзакции, возможно, о возврате средств. Здесь нет места ошибкам. В этом случае передовые модели по-прежнему будут лидировать.
Некоторые из этих моделей с открытыми весами созданы в Китае. Правительство США является клиентом. Европейские правительства являются клиентами. Как проходят такие обсуждения?
По-разному. В каждом конкретном случае развертывания модели и голоса, которые мы внедряем, зависят от задачи. Если мы работаем с польским или бразильским правительством, у них есть свой набор требований. Это может быть модель с открытыми весами, закрытая модель или их собственная дообученная модель. [В Польше] это случай из сферы здравоохранения. Пациенты бронируют визиты через систему общественного здравоохранения, и 18% из них никогда не приходят. Развертывание представляет собой агентов, которые звонят и напоминают об этом. У них был набор моделей, оптимизированных под их знания, и мы интегрируемся, сохраняя при этом требования к локализации данных.
Должны ли компании раскрывать информацию о том, что человек разговаривает с агентом, а не с живым человеком?
Я считаю, что на данный момент такое раскрытие информации необходимо. В настоящее время люди к этому не привыкли, и обычному человеку неприятно чувствовать себя обманутым во время такого звонка. Но через пять лет, когда у каждого появится свой собственный агент, работающий от его имени, вы будете звонить и ожидать ответа от агента. Тогда, я думаю, общество изменится. Есть хорошие способы сделать это: если время ожидания ответа оператора составляет 30 минут, предложите клиенту выбор. Почти во всех случаях они выбирают агента, а затем удивляются тому, насколько хорошим оказывается сервис.
Какова ваша валовая маржа, учитывая затраты на модели и инференс?
Я дам расплывчатый ответ. Учитывая наш исследовательский элемент, мы способны дообучать и ограничивать модели чрезвычайно умным способом. Но если мы можем передать любую экономию клиенту, мы это делаем. Самое главное — это по-прежнему доказательство ценности и присутствие рядом с клиентом. Поэтому, если мы можем инвестировать и доказать эту ценность, мы не против снижения маржи ради общего блага по мере создания ценности в ближайшие пять лет.
У вас есть миллионы часов записей звонков службы поддержки. Обучаете ли вы на них модели? Какая часть ваших обучающих данных является синтетической?
Для некоторых компаний мы создавали модели вместе. Им требовалась конкретная модель под их задачи. В остальном большая часть обучения заключалась не столько в объеме данных, сколько в их разметке. У нас есть тысячи людей внутри компании на контрактной основе, которые помогают нам размечать не только то, что было сказано, но и когда люди говорили, как они это делали, какие эмоции использовались. Нам пришлось привлечь тренеров по речи, чтобы точно определять акценты.
Сообщалось, что вы рассматриваете 2028 год для выхода на IPO. Можете это подтвердить?
Мы бы хотели создать компанию, которая выдержит испытание временем. Мы готовим фундамент, чтобы сделать это в ближайшие годы. Но сделаем ли мы это, будет зависеть от времени и обстоятельств.
«Годы» — это очень расплывчато.
[Смеется.]
За кулисами: каково ваше мнение о том, стоит ли передовым лабораториям притормозить?
Все согласны работать вместе над поиском способов регулирования темпов. Должны ли они заявлять об этом публично и сколько места в этом должны занимать освещение в СМИ или регулирование — это другая тема. Но да, мы все должны принимать надлежащие меры предосторожности при развертывании технологии. Мы не обучаем текстовые модели и интеллектуальную сторону моделей, что является ключевой сутью спора.
Может ли ElevenLabs оказаться уязвимой так же, как Hugging Face?
Мы продвинулись еще на шаг вперед, поскольку мы не развертываем самореплицирующиеся или рекуррентные части интеллекта агентов. Наша технология не позволяет позволять агентам создавать других агентов. Каждый клиент проходит процедуру KYC. Риск кибербезопасности, безусловно, является риском для всего мира, но у нас принят хороший набор мер предосторожности.
